本文提出了一种新的模型树属性距离适应策略，用于调整类比估计和生成新的估计，实验结果表明该方法对于具有大量分类属性的复杂数据集尤其有效。

Mar, 2017

本研究通过重新审视集成学习中的误差分解方法，将其应用于神经网络作为基础学习器的集成学习算法的开发，利用最新的理论框架和方法，设计了 21 种新的集成算法，并证明了其中大部分方法在多样化数据集上具有优越的预测性能。

Feb, 2024

研究加入集成（ensembling）技术在分类任务中的性能提升问题，证明当集成模型中错误率低于集成模型间的不同率时，在学习任务中加入集成技术可以显著提高性能。通过理论和实验的方式证明这种推论，并在实践中找出集成技术适用和不适用的情况。

May, 2023

本文主要研究基于类比的工作量估计方法中的决策变量对估计精度产生的影响，并利用粒子群优化算法进行多目标优化实现最佳决策。

Nov, 2016

本研究使用神经网络和决策树作为分类算法，在 23 个数据集上评估了 Bagging 和 Boosting 两种集成方法。研究结果表明 Bagging 方法几乎总是比单个分类器更准确，而 Boosting 方法则在某些情况下比 Bagging 更不准确。数据集的特征对 Boosting 方法的表现有重要影响，这种方法可能会过拟合噪声数据集，从而减少性能。同时我们的结果也说明，集成模型的性能提升大部分发生在前几个分类器的组合中。

Jun, 2011

该论文提出了一种基于 Bisecting k-medoids 聚类算法的新技术，利用该技术可以发现最佳的相似性集合来预测软件工程的工作量，其性能比其他常规相似性集合方法更好。

Mar, 2017

本文提出一种实用的方法来估计多个分类器的联合能力，与现有方法不同的是它不依赖于标签，从而使得在大型无监督数据集中进行工作成为可能。该方法通过组合误差的组合边界实现，能够高效地搜索可能产生更高联合准确性的分类器组合。此外，该方法适用于无标签数据，使其在现代的无监督学习场景中既准确又实用。通过在流行的大规模人脸识别数据集上进行实验证明了该方法的有效性，这些数据集为使用嘈杂数据进行细粒度分类任务提供了一个有用的测试平台。该方法与无监督学习的趋势性实践相吻合，通过衡量一组分类器的内在独立性，而不依赖于其他分类器或标记数据。

Nov, 2023

该论文提出了一种使用 Adaptive Robust Optimization 构建具有适应性权重的线性回归集成的新方法，以提高时间序列预测模型的准确性和鲁棒性，并演示了其在空气污染管理，能源消耗预测以及热带气旋强度预测等实际应用中优于其他竞争性集成技术的性能。

Apr, 2023

比较不同实现的集成模型在改进光谱数据预测方面的效果的经验性研究表明，集成分类器能够在我们的应用中始终超越候选模型。

Apr, 2024

通过集成多角度解释的各种解释方法，本研究提出了一种新的适用于可解释性学习的方法，即集成解释方法。实验结果显示，集成解释方法更稳定，并且更符合人类经验和认知。作为应用，我们将集成解释方法用于特征选择，从而显著改善了相应学习模型的泛化性能。

Dec, 2023